Data Visualisasi dan Jurnalisme (bag. 1)


Tulisan ini merupakan salah satu dari rangkaian tulisan mengenai data visualisasi dan jurnalisme yang saya pelajari selama kuliah di Universitas Nebraska-Lincoln (UNL), Amerika Serikat. Mudah-mudahan bermanfaat 🙂

Apa, sih, data visualisasi itu?

Data visualisasi kini menjadi alat yang sedang digandrungi oleh media-media di Amerika Serikat dan juga Eropa. Karena saya belajar di negeri Paman SAM dan mengambil spesialisasi data visualisasi, saya akan membatasi ruang lingkup pembahasan dengan data visualisasi yang sedang berkembang di Amerika Serikat.

Kalau kita perhatikan, media-media ternama di A.S. seperti The New York Times, The Wallstreet Journal, The LA Times, The Texas Tribuneatau The Propublica, sering mengeksplorasi data visualisasi untuk menemani pemberitaan mereka, mulai dari artikel seputar kejahatan, pendidikan, lingkungan (khususnya bencana), kesehatan dan bahkan hiburan.

Bentuk data visualisasinya juga beragam, seperti grafik mulai dari scatterplot, bar chart, stacked chart, bubble chart, lattice chart dan waffle chart, hingga peta mulai dari treemap, bubble map, heatmap, choropleth map, hexabin maphingga animated map. Pada edisi berikut-berikutnya, saya akan menjelaskan lebih lanjut mengenai perbedaan bentuk data visualisasi di atas.

Pertanyaan: mengapa data visualisasi menjadi elemen yang sangat penting dalam proses pemberitaan di Amerika Serikat?

Sebelum menjawab pertanyaan tersebut, saya ingin menjelaskan sedikit pemahaman mengenai data visualisasi. Jadi, apa yang dimaksud dengan data visualisasi? Direktur dari Program Visualisasi di Departemen Ilmu Komputer, Universitas Miami, jurnalis asal Spanyol serta pengarang buku The Functional Art, Alberto Cairo, menjelaskan data visualisasi pada dasarnya merupakan “sebuah representasi desain yang memberikan ruang pada ekplorasi, penemuan atau komunikasi.” Atau “sebuah representasi yang memiliki tujuan untuk membuat kita melihat lebih dari apa yang umumnya kita lihat.”

Stephen Few, pengarang dari The Data Loom: Weaving Understanding by Thinking Critically and Scientifically with Data, mengatakan dalam sejarahnya, masyakarat mulai mengkategorikan data ke dalam tabel yang terdiri atas lajur dan baris semenjak abad ke 2 C. Namun, ide untuk menyajikan grafik sebagai bagian dari presentasi kuantitatif informasi baru dimulai sejak abad 17 C.

Sementara, Card, Mackinlay dan Schneiderman dalam Readings in Information Visualization: Using Vision to Think (1999) menyebut fungsi dari data visualisasi sebagai berikut: untuk meningkatkan kognitif dan memori dari pembaca, mengurangi waktu untuk memahami data, mengingkatkan pengenalan pola dalam otak, meningkatkan kemampuan mengintepretasi sesuatu, serta membuat koding atas informasi atau data yang didapat. Besar, ya, manfaatnya untuk pembaca dan pembuat visualisasi.

Sederhananya seperti apa, sih?

Oke, bayangkan kamu akan pergi ke sebuah tempat mencari penginapan Air BnB yang murah meriah. Sayangnya, kadang alamatnya suka ajaib. Sudah asik mencari, tapi kamu tetap saja tersesat di jalan. Lalu, kamu pun bertanya kepada orang,” Hai, maaf. Tahu alamat penginapan X,Y,Z di mana?” dan orang itu, dengan segala pengetahuannya yang luar biasa, memberitahumu arah menuju tempat yang dituju.

Ternyata, jawabannya seperti ini:

“Oh, ya, tentu! Kamu tinggal lurus saja dari sini, lalu ketemu perempatan kedua, kamu belok kanan, di sana lurus terus saja sampai kamu melihat plang dengan tulisan ‘SAYA HARUS BELOK” dan kamu beloklah ke kiri dari plang tersebut, dan lurus terus melewati empat perempatan, sampai ke perempatan ke empat kamu belok kanan, tidak jauh dari situ ada sebuah gang kecil di sebelah kiri di sebelah rumah bata merah dan bergenteng biru muda, kamu masuk dan penginapan yang kamu cari lima rumah dari gang tersebut. Nanti kamu bisa lihat plangnya.” ?!@#$$@$%^&**((!@ Halooooo!)

Njlimet ya kalau dijelaskan dengan ucapan (khususnya buat yang short term memory alias pelupa, hehe). Bahkan, kalau petunjuknya ditulis dalam huruf saja masih enggak ringkas dan masih ada kemungkinan kamu lupa sudah melakukan petunjuk yang mana. Jadi, enaknya gimana? Oke, buat peta kali, ya? Coba kita buat peta dari informasi yang puanjaang tersebut menjadi seperti di bawah ini:

D2C7F250-66AE-446E-A098-099C5AE3086E
Doc. Utami Diah Kusumawati

 

Jauh lebih sederhana, bukan? Jadi, ini sebenarnya inti dari data visualisasi. Bagaimana menyederhanakan rangkaian data yang kompleks menjadi sesuatu yang lebih sederhana dan mudah dipahami. Meski, menyederhanakan bukan berarti menghilangkan data. Data atau informasinya tetap ada, hanya saja, cara penyajiannya yang berbeda. Nah, dari situ, kembali yang dikatakan Alberto Cairo mengenai kemungkinan kita melihat sesuatu yang sebelumnya kita tidak lihat.

Maksud? Contoh?

Oke, saya akan coba kasih contoh kasus kolera di Inggris pada tahun 1854. Seorang dokter asal London, John Snow, mencoba mencari tahu penyebab dari penyakit kolera yang mewabah di Inggris pada tahun itu. Snow lalu membuat peta dari 13 sumur milik pemerintah dan kasus-kasus kematian yang sudah ada di sekitar distrik Soho. Dia juga menganalisis sampel air dari sumur-sumur itu dan menemukan adanya bakteri tidak dikenal di beberapa sumur yang berlokasi dekat dengan kematian warga. Dari peta tersebut, dia melihat adanya hubungan tercemarnya air sumur oleh bakteri dengan kasus kematian warga di sekitar lokasi sumur. Dia lalu meminta agar tangkai pompa yang ada di sumur dengan bakteri tidak dikenal untuk dicabut agar warga tidak menggunakan pompa itu lagi. Jumlah kematian dan penyakit menurun drastis.

Seperti apa, sih, petanya?

 

Screen Shot 2019-03-17 at 10.03.54 AM
Source: https://www1.udel.edu/johnmack/frec682/cholera/

 

Dari contoh ini kita bisa melihat bagaimana data visualisasi menjadi penting dan membantu Snow untuk menemukan pola korelasi antara sumur dengan bakteri dan lokasi kematian warga. Bahwa, kolera disebabkan oleh tercemarnya air dari bakteri dan air sumur dikonsumsi warga melalui pompa umum.

Kembali ke pertanyaan yang diajukan di awal penulisan. Mengapa data visualisasi menjadi elemen yang sangat penting dalam proses pemberitaan di Amerika Serikat?

Penemuan Snow mengenai korelasi antara data A (air sumur yang tercemar bakteri) dengan data B (kematian warga di sekitar lokasi sumur) adalah hal yang ingin dicapai jurnalis ketika menggunakan data visualisasi dalam upaya pemberitaan atau penceritaan ke masyarakat. Terkadang, jurnalis mendapat banyak sekali data dengan berbagai angka dari organisasi pemerintah atau lembaga lain. Tidak mungkin tentunya menyajikan semua data-data tersebut ke pembaca. Kamu harus menyaring, mengklasifikasikan, membuat hubungan antara satu data dengan lain, membuat kesimpulan dan akhirnya menyampaikannya ke pembaca. Data visualisasi dalam bentuk grafik atau peta, dalam hal ini bisa membantu jurnalis untuk menyampaikan pola atau korelasi antara satu data dengan data lainnya secara sederhana serta menarik pikiran pembaca, terutama ketika melihat atau membaca dalam tampilan digital.

Mau tahu beberapa contoh visualisasi yang menarik dari beberapa media-media di A.S? Tinggal klik link di bawah ya 🙂

Sampai di sini dulu pembukaan soal data visualisasi dan jurnalisme. Lain kali, saya akan sambung lagi pembahasan mengenai Elemen Data Visualisasi, Prinsip Data Visualisasi, Bentuk Data Visualisasi dan Penggunaan GIS untuk Jurnalisme.  Terimakasih sudah  mau singgah dan membaca 🙂

Hell and High Water by ProPublica and The Texas Tribune

The Changing Nature of Middle-Class Jobs by The New York Times 

What Happens to the Plastic We Throw Out by National Geographic

 

 

 

 

 

 

 

 

 

 

 

GIS: LiDAR remote sensing


Belajar soal LiDAR (Light Detection and Ranging) di GIS class

Apa sih LiDAR itu?

LiDAR menurut the NEON (National Ecological Observatory Network) Scienceadalah sebuah teknologi dengan sensor laser (cahaya) jarak jauh untuk mengukur tingkat elevasi (ketinggian suatu objek dari titik tertentu) dari permukaan tanah, hutan atau bangunan dengan resolusi sangat tinggi.  

Bagaimana cara mengumpulkan data dengan LiDAR? 

Pengumpulan data bisa dilakukan di darat (meletakkan alat sensor di atas tanah), di udara (menaruh alat LiDAR ke pesawat terbang) dan di luar angkasa (menggunakan satelit). Caranya dengan melakukan semacam scanning dengan gelombang elektromagnetik seperti infra merah dan sinar hijau. Kenapa infra merah dan hijau? Karena dua gelombang ini yang paling kuat pantulannya terhadap kedalaman (perairan) dan daratan. 

Airborne LiDAR data?

Pesawat terbang melakukan scanning wilayah yang ingin dipetakan, lalu GPS (Global Positioning System) akan melacak altitude serta posisi X,Y pesawat dan mengetahui posisi benda yang discanning. Inertial Measurement Unit (IMU) akan melacak posisi kemiringan pesawat agar perhitungan elevasi bisa lebih akurat. Lalu, mengunduh semua data GPS yang terlacak dengan menggunakan laptop.

Ukur ketinggian benda atau permukaan?

Altitude pesawat (lokasi ketinggian pesawat) dikurangi dengan distance (travel time x speed of light: 2. Kenapa dibagi dua? Karena sinar dikirimkan dua kali, ke tanah dan ke atas pesawat lagi untuk ditangkap sensor LiDAR). 

Doc. Utami Diah Kusumawati/ GIS Course, UNL

Keuntungan pakai LiDAR dari Fotogamatri?

Bisa filter vegetasi jadi gak cuma scanning ujung benda, misalnya pohon, dia bisa tembus dan mengkalkulasi jarak antara batang dan daun pohon terus juga ke tanah untuk menciptakan Digital Terrain Model (DTM). Kalau fotogamatri gak bisa. 

Bisa dibuat visualisasi bermacam-macam khususnya untuk menerangkan density variation (ragam kepadatan) dari sebuah tempat ketika melakukan survei. 

Terus kaitannya sama ArcGIS 10?

Data yang dikumpulkan melalui sistem LiDAR ini (dalam bentuk LAS dataset) kemudian akan dibuat visualisasinya atau pemetaan umumnya dengan menggunakan program ArcGIS. 

Manfaat untuk jurnalis?

Sebenarnya LiDAR ini merupakan piranti yang sangat mewah, biasanya, sih, dipakai buat survei berkaitan geologi, agronomi atau juga kebencanaan. Nah, tapi data yang dihasilkan oleh LiDAR biasanya bisa diakses secara gratis oleh publik untuk dibuat visualisasinya, misalnya peta. Untuk jurnalis, tentunya ketika hendak menuliskan artikel, visualisasi yang berupa peta ini bisa digunakan untuk membantu menerangkan pola kepada pembaca atau biasanya membantu jurnalis investigasi menemukan pola tertentu.  

Untuk hasil peta lengkap yang dibuat dari data LiDAR, menyusul minggu depan, ya. Tapi, sedikit gambaran proses bisa dilihat di video berikut. 

GIS: Visibility Analysis


Map of Maya site of Copan, Honduras. Created by Utami Diah Kusumawati.


This is actually the most difficult map that I have made in the GIS class using several tools like viewshed (boolean), reclassify and visibility. Furthermore, we also had to count the percent_vis and extract value to join before getting to the final data that would be used for the visibility analysis. The map looks simple but the process of creating such a simplified and clean map is painfully challenging. This is what I called the beauty of mapping because it can simplify complex data into a pattern like above. (Meltedheart!)

I will post the steps and details about the data that we use in the class after the semester ended 😛 Magma is being erupted from my head for now. LOL.

key points: algebra map, tessellation, rumpled space, interpolation, tobler’s law (thiessen polygon), DEM (digital elevation model), viewshed, cost-surface analysis, visibility analysis.